Collaborative Filtering With Awareness of Social Networks
结合社交网络信息的协同过滤AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要将社交网络关系引入用户偏好估计和协同过滤，研究网络结构提供的信息，因此归入网络与干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
结合社交网络信息的协同过滤
- 研究问题
- 如何利用用户社交关系改善协同过滤中的偏好估计，网络结构和偏好噪声何时会影响误差界，以及网络信息能带来多大增益？
- 方法与思路
- 作者提出NetRec，加入两个反映社交连接与产品偏好假设的网络项，与核范数项结合，形成凸优化问题并设计求解算法。
- 材料陈述的贡献
- 摘要称，在网络结构条件下可收紧误差界，偏好噪声越大缩减越多；联合网络项与核范数的估计更好，并给出全局最优求解保证。
- 阅读关注点
- 核对“网络结构良好”的具体条件、两类网络项的含义，以及误差界比较所用基准、全局最优证明和Yelp实验设置。
- 阅读边界
- 误差界改善依赖网络结构条件，摘要未说明其具体形式及噪声设定；Yelp上的比较不能据此推广为普遍优越性或因果证据。
原文摘要
In this article, we present the NetRec method to leverage the social network data of users in collaborative filtering. We formulate two new network-related terms and obtain convex optimization problems that incorporate assumptions regarding users’ social connections and preferences about products. Our theory demonstrates that this procedure leads to a sharper error bound than before, as long as the observed social network is well structured. We point out that the larger the noise magnitude in the observed user preferences, the larger the reduction in the magnitude of the error bound. Moreover, our theory shows that the combination of the network-related term and the previously used term of nuclear norm gives estimates better than those achieved by any of them alone. We provide an algorithm to solve the new optimization problem and prove that it is guaranteed to find a global optimum. Both simulations and real data experiments are carried out to validate our theoretical findings. The application of the NetRec method on the Yelp data demonstrate its superiority over a state-of-the-art social recommendation method.